Misingi ya data na utawala wa data
Uchanganuzi mzuri na AI salama hutegemea data ya huduma iliyofafanuliwa, inayomilikiwa, sahihi, inayofuatilika, iliyolindwa, na kuhifadhiwa kwa muda unaohitajika tu; utawala wa data humpa kila seti muhimu ya data mmiliki aliyetajwa, fasili rahisi, ukaguzi wa ubora, na kanuni za ufikiaji na uhifadhi.
Kwa nini hili ni muhimu
Sababu ya kawaida zaidi ya uchanganuzi kukatisha tamaa si mbinu. Ni data. Kategoria za tiketi zilibadilishwa majira ya kuchipua yaliyopita na hakuna aliyerekodi lini. Mifumo miwili yote inadai kushikilia idara ya mteja, na haikubaliani. Mihuri ya wakati iko katika kanda tofauti za saa. Uga unaoonekana kamili umejazwa "nyingine" katika nusu ya rekodi. Dashibodi inaonyesha kushuka kwa matukio ya hitilafu, na sababu inageuka kuwa badiliko la kumbukumbu, si huduma bora.
Matatizo yaleyale huharibu AI. Modeli iliyofunzwa kwa tiketi zilizowekewa lebo vibaya hujifunza lebo hizo. Msaidizi aliyejengwa juu ya makala zilizochakaa huzinukuu. Utabiri uliojengwa juu ya historia isiyokamilika hubeba mapengo mbele. Mashirika yanapotegemea uchanganuzi na AI, ubora, umiliki, na ulinzi wa data huacha kuwa suala la kiufundi la nyuma na kuwa huduma kwa haki yake.
Utawala wa data ni zoea la kusimamia data kama mali: kuamua nani anawajibika, kila istilahi inamaanisha nini, ubora unakaguliwaje, data inasonga vipi na ilitoka wapi, nani anaweza kuitumia, na lini inafutwa. Wikipedia inaeleza utawala wa data kama usimamizi wa jumla wa upatikanaji, matumizi, uadilifu, na usalama wa data. Mada hii inaieleza kwa data ya usimamizi wa huduma kwa maneno ya vitendo, na kuonyesha jinsi ya kuanza kidogo. Inasimamia uchanganuzi (mada 7.1 — Uchanganuzi kwa usimamizi wa huduma), upimaji (mada 7.3 — Upimaji na utoaji taarifa), uwezo wa kuchunguza (mada 7.4 — Uwezo wa kuchunguza na telemetria), na AI (mada 5.6 — Utawala, hatari na kufuata sheria za AI), na kuunganishwa na data ya usanidi (mada 4.4 — Usimamizi wa Usanidi). Haitoi ushauri wa kisheria.
Dhana kuu
Mali ya data. Seti ya data yenye thamani kwa shirika, kama historia ya tiketi, hifadhidata ya usanidi, data ya ufuatiliaji, matokeo ya tafiti, au data ya gharama. Kama mali nyingine, ina mmiliki, gharama, mzunguko wa maisha, na hatari. Tazama mada 4.1 — Usimamizi wa mali.
Mmiliki wa data na msimamizi. Mmiliki wa data anawajibika kwa seti ya data: kusudi lake, ubora, na nani anaweza kuitumia. Msimamizi wa data (steward) huitunza kila siku, akishughulikia fasili, matatizo ya ubora, na maombi ya ufikiaji. Wikipedia inaeleza wasimamizi wa data. Katika timu ndogo mtu mmoja anaweza kushika majukumu yote mawili. Bila watu waliotajwa, hakuna anayerekebisha matatizo.
Fasili za data na kamusi. Kauli rahisi ya kila uga na istilahi inamaanisha nini, kama "imetatuliwa" au "tukio kuu la hitilafu", pamoja na jinsi inavyokokotolewa na chanzo. Wikipedia inaeleza kamusi za data. Fasili huzuia timu mbili kutumia neno lilelile kwa vitu tofauti. Rekodi mabadiliko ya fasili kwa tarehe, ili mielekeo ifasiriwe.
Metadata. Data kuhusu data: ilitoka wapi, ilisasishwa lini, nani anaimiliki, imeainishwaje, na inamaanisha nini. Wikipedia inaeleza metadata. Katalogi ya data ni orodha inayotafutika ya seti za data na metadata yake, inayowasaidia watu kupata na kuamini data.
Ubora wa data. Kufaa kwa matumizi, kwa kawaida kunaelezwa kwa vipimo kama usahihi, ukamilifu, uthabiti, wakati unaofaa, na upekee. Wikipedia inaeleza ubora wa data. Ubora ni wa kihusishi na matumizi: kategoria ya tiketi inayotosha kwa mwelekeo wa kila mwezi inaweza kuwa pana mno kwa uelekezaji. Pima kwenye nyuga zinazojalisha, na urekebishe sababu kwenye chanzo. Usafishaji wa data, unaoelezwa na Wikipedia, hurekebisha makosa baada ya tukio na hauzuii kujirudia.
Vyanzo vya ubora duni. Nyuga za maandishi huru zinazojazwa tofauti na watu tofauti, chaguo-msingi ambazo hazibadilishwi kamwe, kategoria zinazokua bila kupogolewa, uingizaji wa mikono unaorukwa chini ya shinikizo, miunganisho inayoacha au kunakili rekodi, na mabadiliko ya mfumo yanayobadilisha maana. Yarekebishe kwa fomu bora, uthibitisho, mafunzo, na mapitio ya muunganisho, si kwa kuwalaumu watu.
Ukoo na asili. Rekodi ya data ilitoka wapi na nini kilitokea njiani kuelekea ripoti au modeli. Wikipedia inaeleza ukoo wa data. Namba ikihojiwa, ukoo hukuruhusu kuifuatilia. Pia unaonyesha ripoti zipi zinaathirika chanzo kinapobadilika.
Mifereji ya data na ujumuishaji. Mtiririko unaohamisha data kati ya mifumo, mara nyingi huelezwa kama extract, transform, load (ETL) katika makala ya Wikipedia, na hifadhi kama maghala ya data na maziwa ya data, ambayo Wikipedia pia inaeleza. Mifereji inahitaji wamiliki, ufuatiliaji, na majaribio, kama mfumo wowote wa uzalishaji. Tazama mada 6.2 — Uendeshaji otomatiki wa mtiririko wa kazi na uratibu.
Wakati na utambulisho. Mambo mawili madogo husababisha taabu kubwa. Mihuri ya wakati inahitaji kanda ya saa na muundo thabiti, kama makala za Wikipedia kuhusu mihuri ya wakati na kanda za saa zinavyopendekeza; kanda zilizochanganywa huzalisha mapengo na miinuko ya kuchanganya. Vitambulisho vya watu, huduma, na mali vinahitaji kuwa thabiti na vinavyoshirikiwa kati ya mifumo, ili rekodi ziweze kuunganishwa. Usimamizi wa data kuu, unaoelezwa na Wikipedia, ni nidhamu ya kuweka data kuu kama hiyo ikiwa thabiti.
Uainishaji. Kuweka lebo kwenye data kwa unyeti, kama ya umma, ya ndani, ya siri, na iliyozuiwa, na kuambatisha kanuni kwa kila kiwango. Wikipedia inaeleza uainishaji wa data. Data ya huduma mara nyingi ina taarifa binafsi na maelezo ya usalama, yanayohitaji ulinzi.
Faragha na ulinzi. Data binafsi ni taarifa inayohusu mtu anayetambulika. Sheria kama General Data Protection Regulation (GDPR) katika Umoja wa Ulaya huweka kanuni kuhusu kusudi, kupunguza, uhifadhi, na haki za mtu binafsi; Wikipedia inaeleza data binafsi na GDPR. Kupunguza data, kunakoelezwa hapo, kunamaanisha kukusanya na kuhifadhi unachohitaji tu. Mbinu kama kutumia majina bandia na kuficha utambulisho kabisa, zinazoelezwa na Wikipedia, hupunguza hatari, ingawa ni ngumu kufanya vizuri, na kuficha utambulisho kwa udhaifu kunaweza kutenduliwa. Tafuta ushauri wa kisheria na wa faragha.
Udhibiti wa ufikiaji. Nani anaweza kuona au kubadilisha data ipi, na kwa nini. Tumia majukumu, si watu binafsi, inapowezekana, na upitie ufikiaji mara kwa mara. Tazama mada 3.13 — Usimamizi wa Usalama wa Taarifa na mada 3.6 — Usimamizi wa Maombi ya Huduma.
Uhifadhi na ufutaji. Data zinahifadhiwa kwa muda gani na zinaharibiwaje. Hifadhi unachohitaji kwa uendeshaji, uchanganuzi, na wajibu wa kisheria, na ufute kilichobaki. Wikipedia inaeleza uhifadhi wa data. Data ya zamani huongeza hatari na gharama, na mifumo ya AI inaweza kujifunza kutoka kwayo. Angalia mahitaji ya kisheria ya uhifadhi yanayokuhusu.
Mamlaka ya data. Data inaweza kuwa chini ya sheria za nchi ambako inahifadhiwa au kuchakatwa. Wikipedia inaeleza mamlaka ya data. Huduma za wingu na AI zinaweza kuhamisha data kuvuka mipaka; jua yako inaenda wapi.
Data katika AI. Data inayotumika kufunza, kurejesha, au kwa maelekezo inahitaji utawala uleule, pamoja na uangalifu wa ziada: ruhusa ya matumizi, kuweka lebo ya chanzo, ukaguzi wa upendeleo na kuteleza, na udhibiti wa kinachotumwa kwa huduma za nje. Tazama mada 5.1 — AI katika usimamizi wa huduma.
Jukwaa la utawala na sera. Kikundi kidogo chenye mamlaka ya kuweka viwango, kutatua mizozo, na kuweka vipaumbele vya kazi ya data, na sera fupi inayofunika umiliki, ubora, uainishaji, ufikiaji, uhifadhi, na matumizi ya data katika AI. Iweke nyepesi na ya vitendo.
Lenzi zinavyolingana. Utawala wa data ni msingi wa lenzi za uchanganuzi na AI, na uendeshaji otomatiki pia unautegemea. Zoea la uchapuchapu linapendekeza kuboresha ubora wa data kwa hatua ndogo, zinazoendeshwa na maswali ambayo watu wanahitaji kujibiwa kweli, kukiwa na mrejesho kutoka kwa watumiaji wa data.
Mazoea bora
- Anza na seti za data zinazojalisha zaidi. Orodhesha data nyuma ya maamuzi yako muhimu, kama tiketi, usanidi, ufuatiliaji, tafiti, na gharama. Zitawale hizo kwanza.
- Taja mmiliki na msimamizi kwa kila moja. Wazirekodi katika katalogi, pamoja na jinsi ya kuwasiliana nao. Wafanye wawajibike kwa ubora na ufikiaji.
- Andika fasili. Fafanua istilahi na nyuga kuu kwa lugha rahisi, pamoja na ukokotoaji na chanzo. Rekodi fasili zinapobadilika.
- Pima ubora pale unapojalisha. Chagua nyuga chache zinazoendesha maamuzi, fafanua ukaguzi, na uripoti matokeo kwa wamiliki. Zifuatilie kwa muda.
- Rekebisha matatizo kwenye chanzo. Boresha fomu, ongeza uthibitisho, rahisisha kategoria, na urekebishe miunganisho. Usafishaji baada ya tukio ni suluhisho la muda.
- Sanifisha wakati na vitambulisho. Tumia kiwango na muundo mmoja wa wakati, na vitambulisho thabiti, vinavyoshirikiwa kwa watu, huduma, na mali.
- Weka ukoo. Andika ripoti na modeli kuu zinapata data wapi na mabadiliko gani yanatumika. Sasisha vyanzo vinapobadilika.
- Ainisha na ulinde. Weka lebo kwenye data kwa unyeti, tumia kanuni za ufikiaji na ulinzi, na upitie nani ana ufikiaji. Ondoa data binafsi pale haihitajiki.
- Weka uhifadhi na ufute. Amua kila seti ya data inahifadhiwa kwa muda gani, na ufute au ficha utambulisho baadaye. Angalia kanuni zinazokuhusu.
- Tawala data inayotumiwa na AI. Rekodi vyanzo, ruhusa, na ubora wa data inayotumika kufunza na kurejesha, na udhibiti kinachoenda kwa huduma za nje.
Maswali ya kujadili na timu yako
Ni seti zipi za data zinazoendesha maamuzi yetu muhimu zaidi, na nani anamiliki kila moja? Ziorodheshe. Tarajia mapengo ya umiliki. Ili kwenda mbali zaidi, taja mmiliki na msimamizi kwa tatu za juu.
Ni istilahi zipi tunazotumia kwa njia tofauti katika timu tofauti? Chagua "imetatuliwa", "tukio la hitilafu", au "mteja". Tarajia kutokubaliana. Ili kwenda mbali zaidi, andika fasili moja na nani anaamua.
Fasili au badiliko la mfumo lilivunja mwelekeo lini, na tuligundua wakati huo? Omba mifano. Tarajia "baadaye". Ili kwenda mbali zaidi, kubaliana kumbukumbu ya mabadiliko ya fasili na vyanzo.
Data yetu ni nzuri kiasi gani kwenye nyuga tunazozitegemea zaidi, na tunajuaje? Chukua uga, kama kategoria, na uchukue sampuli ya rekodi 50. Tarajia matatizo. Ili kwenda mbali zaidi, chagua sababu moja ya kurekebisha.
Tunashikilia data gani binafsi au nyeti katika mifumo ya huduma, na tunaihifadhi kwa muda gani? Pitia mifumo mikuu. Tarajia mshangao kuhusu viambatisho na kumbukumbu za soga. Ili kwenda mbali zaidi, shirikisha afisa wa faragha na ukubaliane kanuni ya uhifadhi kwa mfumo mmoja.
Tunalisha data gani kwa zana za AI, na nani alikubali? Orodhesha matumizi. Tarajia kwamba baadhi si rasmi. Ili kwenda mbali zaidi, kubaliana kanuni ya nini kinaweza kutumika na daftari la matumizi ya data ya AI.
Kwa vitendo: mfano wa usimamizi wa huduma
Timu ya huduma za kidijitali ya maktaba ya taifa inataka kutabiri mahitaji na kufunza modeli ya kuelekeza tiketi. Mchambuzi wa data anaanza na kugundua kwamba historia ya tiketi ni ngumu kutumia. Kategoria zilibadilishwa majina mara mbili, na kategoria ya "Nyingine" inashikilia asilimia 35 ya tiketi. Mihuri ya wakati kutoka kwa zana ya zamani iko katika saa za eneo na ile kutoka kwa mpya katika saa ya ulimwengu wote. Uga wa idara, uliochukuliwa kutoka mfumo wa Rasilimali Watu, unatofautiana na ule wa mfumo wa utambulisho kwa takriban asilimia 8 ya watumiaji. Ripoti ya kila mwezi inaonyesha matukio ya hitilafu yakishuka kwa robo, lakini mchambuzi anagundua kwamba badiliko la jinsi matukio ya hitilafu yanayorudiwa yanavyounganishwa linaeleza sehemu kubwa ya kushuka.
Mkuu wa huduma anaamua kuchukulia data ya tiketi kama mali iliyotawaliwa. Anajiita mmiliki wa data na mchambuzi mwenye uzoefu wa dawati la huduma kuwa msimamizi. Kamusi ya ukurasa mmoja inafafanua nyuga 12 zinazojalisha, ikijumuisha fasili ya "imetatuliwa" na tarehe iliyobadilika. Timu inaoanisha kategoria za zamani na mpya, inaweka alama kwenye mpasuko katika historia, na kuongeza kanuni ya uthibitisho inayozuia "Nyingine" bila dokezo la maandishi huru. Kazi ya kila wiki inakagua vipimo vitatu vya ubora: sehemu ya tiketi katika "Nyingine", sehemu isiyo na idara, na sehemu yenye mihuri ya wakati nje ya safu zinazotarajiwa. Matokeo yanachapishwa kwa dawati.
Afisa wa faragha anapitia seti ya data na kugundua kwamba nyuga za maandishi huru na viambatisho vina maelezo binafsi ya wanachama wa umma. Timu inakubali kuondoa viambatisho kwenye nakala ya uchanganuzi, kuficha majina na anwani za barua pepe katika maandishi kabla ya kutumika kwa uundaji wa modeli, na kufuta tiketi baada ya miaka saba, kulingana na sera ya rekodi ya maktaba. Daftari linaorodhesha kila matumizi ya AI ya data ya tiketi na idhini yake.
Kinachobadilika: mchambuzi anaweza kujenga utabiri akiwa na mpasuko unaojulikana na mfululizo safi, na modeli ya kuelekeza inafunzwa kwa lebo zilizopitiwa. Kinachobaki kigumu: kuficha maandishi huru si kamilifu, na baadhi ya maelezo binafsi yanabaki; mifumo ya Rasilimali Watu na utambulisho bado haikubaliani, na wamiliki wa mifumo hiyo hawajakubali kuipatanisha; na ukaguzi wa ubora unategemea wafanyakazi wachache. Mkuu wa huduma anapeleka kutokubaliana kwa data kwa afisa mkuu wa taarifa na kupanga kupanua ukaguzi hadi data ya usanidi.
Mitazamo minne
Timu za bidhaa na utoaji
Buni kumbukumbu, matukio, na API za bidhaa yako kwa nyuga, mihuri ya wakati, na vitambulisho thabiti, na uvieleze. Waambie watumiaji wa data kuhusu mabadiliko mapema.
Timu za huduma na uendeshaji
Ingiza data kwa uangalifu na kwa uthabiti, na uwaambie wasimamizi kuhusu matatizo ya fomu au kategoria. Saidia kukagua ubora, na uweke rekodi za mabadiliko ya fasili.
Uongozi na utawala
Taja wamiliki, fadhili kazi ya data, na uombe ushahidi wa ubora kwa data nyuma ya maamuzi. Weka kanuni za faragha na matumizi ya AI. Usikubali ripoti zenye istilahi zisizofafanuliwa.
Wateja na watumiaji
Unapaswa kujua data gani inashikiliwa kukuhusu na kwa nini, na uweze kuuliza kuihusu. Toa taarifa sahihi, na umwambie mtoaji rekodi zinapoonekana si sahihi.
Uchapuchapu, AI, uendeshaji otomatiki na uchanganuzi
Uchapuchapu
Boresha data kwa hatua ndogo zinazoendeshwa na maswali halisi: rekebisha uga unaozuia uchanganuzi unaofuata. Pitia ubora wa data na watumiaji wake mara kwa mara. Tahadhari: programu ya data ya miaka mingi isiyo na matokeo yanayoonekana hupoteza msaada; toa faida ndogo, zenye manufaa.
AI
AI inaweza kusaidia kupata matatizo ya ubora, kuainisha data, kupendekeza fasili, na kuficha maelezo binafsi, chini ya mapitio. Data inayotumiwa na AI inahitaji utawala wake: chanzo, ruhusa, ubora, na ukaguzi wa kuteleza. Tahadhari: kuficha kwa msingi wa AI kunaweza kukosa data binafsi; ijaribu na uweke mapitio ya binadamu kwa seti nyeti. Tazama mada 5.6 — Utawala, hatari na kufuata sheria za AI.
Uendeshaji otomatiki
Fanya ukaguzi wa ubora, ukamataji wa ukoo, lebo za uainishaji, kanuni za uhifadhi, na mapitio ya ufikiaji kuwa vya kiotomatiki, vikiwa na wamiliki wa ubaguzi. Tahadhari: usafishaji wa kiotomatiki unaweza kubadilisha data kimya; rekodi mabadiliko na uhifadhi asili pale inapohitajika. Tazama mada 6.2 — Uendeshaji otomatiki wa mtiririko wa kazi na uratibu.
Uchanganuzi
Pima ubora wa nyuga muhimu, ukamilifu, wakati unaofaa, sehemu ya seti za data zenye wamiliki na fasili, na matukio ya hitilafu yaliyosababishwa na matatizo ya data. Tahadhari: alama moja ya ubora inaweza kuficha kasoro kubwa katika uga mmoja; ripoti kwa uga na matumizi. Tazama mada 7.3 — Upimaji na utoaji taarifa na kitabu cha Service Management Metrics.
Njia za kawaida za kushindwa
- Hakuna mmiliki. Matatizo yanaendelea. Taja mmiliki na msimamizi.
- Istilahi zisizofafanuliwa. Timu zinabishana kuhusu namba. Andika fasili na urekodi mabadiliko.
- Ubora unakaguliwa mara moja. Data inaoza. Fuatilia nyuga muhimu kila wakati.
- Usafishaji kama suluhisho. Makosa yanajirudia. Rekebisha chanzo.
- Kanda za saa na vitambulisho vilivyochanganywa. Rekodi haziwezi kuunganishwa wala kupangwa. Sanifisha.
- Kuhifadhi kila kitu. Hatari na gharama zinakua. Weka uhifadhi na ufute.
- Matumizi ya data ya AI yasiyotawaliwa. Data nyeti au duni inafika modeli. Sajili na upitie matumizi.
Modeli ya ukomavu
| Kipimo | Kuanzisha | Kuendeleza | Kusanifisha | Kusimamia | Kuratibu |
|---|---|---|---|---|---|
| Umiliki na fasili | Haujulikani | Wamiliki wa seti kuu za data | Wamiliki, wasimamizi, kamusi, na katalogi | Fasili na mabadiliko vinasimamiwa | Utawala unaratibiwa kati ya timu na washirika |
| Ubora | Haujulikani | Ukaguzi wa sampuli | Nyuga muhimu zinapimwa mara kwa mara | Maboresho ya ubora yanafuatiliwa hadi vyanzo | Ubora unahakikishwa kila wakati kwa uendeshaji otomatiki |
| Ulinzi | Kiholela | Kanuni za msingi za ufikiaji | Uainishaji, ufikiaji, na kanuni za uhifadhi | Uzingatiaji unafuatiliwa na kukaguliwa | Ulinzi umejengwa ndani ya mifereji na zana |
| Matumizi katika AI | Hayajarekodiwa | Ufahamu | Daftari na kanuni za matumizi ya data ya AI | Matumizi yanapitiwa na kujaribiwa kwa upendeleo na kuteleza | Data ya AI inatawaliwa kati ya mifumo na wasambazaji |
Orodha hakiki
- Seti zetu muhimu zaidi za data zina wamiliki na wasimamizi waliotajwa.
- Istilahi na nyuga kuu zimefafanuliwa kwa maandishi, zikiwa na tarehe za mabadiliko.
- Tunapima ubora kwenye nyuga zinazoendesha maamuzi.
- Tunarekebisha matatizo ya ubora kwenye chanzo.
- Kanda za saa, miundo, na vitambulisho vimesanifishwa.
- Tunajua ripoti kuu zinapata data wapi (ukoo).
- Data imeainishwa, ufikiaji unadhibitiwa, na kanuni za uhifadhi zipo.
- Daftari linarekodi data gani inatumiwa na AI na nani alikubali.
Maelekezo ya AI
Eleza wasifu wa seti ya data.
Here is a sample of a dataset with field names, identifiers removed: [paste, 50–100 rows].
For each field, give the apparent meaning, type, share of missing or placeholder values, odd values, and a question for the data owner. Do not draw business conclusions.
List what you are unsure of.
Andaa ingizo la kamusi ya data.
Field: [name]. What I know about it: [source, how it is filled, how it is used].
Draft a dictionary entry with: plain-language definition, allowed values, how it is calculated or entered, source system, owner (only if stated), known issues, and date of last change (only if stated). Mark each item not given as [missing].
List what you are unsure of.
Tafuta data binafsi katika maandishi huru kwa mapitio.
Here is a sample of ticket free text, already partially masked: [paste].
List items that look like personal data (names, emails, phone numbers, addresses, identifiers) that remain, quoting the exact text, and suggest categories of rules to catch them. Do not guess whether any is real.
List what you are unsure of.
Ujuzi wa AI
- data-governance: tumia kuweka umiliki, fasili, na kanuni za data.
- data-quality: tumia kufafanua na kukagua ubora kwenye nyuga muhimu.
- data-pipeline: tumia kubuni na kuandika mtiririko wa data.
- legal-data-privacy-compliance: tumia kupangilia maswali ya faragha kwa mshauri wako wa kisheria.
- raci-matrix: tumia kugawa umiliki na usimamizi.
Vyanzo vikuu
- DAMA International, DAMA-DMBOK: Data Management Body of Knowledge: rejeleo pana kuhusu usimamizi na utawala wa data.
- ISO/IEC 25012, data quality model: seti ya kawaida ya sifa za ubora wa data; soma toleo la sasa kutoka kwa mchapishaji.
- Wikipedia, "Data governance" and "Data quality": muhtasari wa zoea na vipimo vyake.
- Wikipedia, "General Data Protection Regulation": usuli wa mfumo mmoja muhimu wa kisheria (si ushauri wa kisheria).
Marejeo
- Data governance — Wikipedia — https://en.wikipedia.org/wiki/Data_governance
- Data quality — Wikipedia — https://en.wikipedia.org/wiki/Data_quality
- Data steward — Wikipedia — https://en.wikipedia.org/wiki/Data_steward
- Data dictionary — Wikipedia — https://en.wikipedia.org/wiki/Data_dictionary
- Metadata — Wikipedia — https://en.wikipedia.org/wiki/Metadata
- Data lineage — Wikipedia — https://en.wikipedia.org/wiki/Data_lineage
- Data cleansing — Wikipedia — https://en.wikipedia.org/wiki/Data_cleansing
- Master data management — Wikipedia — https://en.wikipedia.org/wiki/Master_data_management
- Data classification — Wikipedia — https://en.wikipedia.org/wiki/Data_classification
- Personal data — Wikipedia — https://en.wikipedia.org/wiki/Personal_data
- General Data Protection Regulation — Wikipedia — https://en.wikipedia.org/wiki/General_Data_Protection_Regulation
- Data retention — Wikipedia — https://en.wikipedia.org/wiki/Data_retention